0 引言

       脑胶质瘤约占所有脑肿瘤的三分之一和原发恶性脑肿瘤的80%，是CNS最常见的原发恶性肿瘤^[1]。2016年版《WHO中枢神经系统肿瘤分类》在传统组织学基础上第一次利用分子特征对神经胶质瘤进行分类^[2]。在2021年版《WHO中枢神经系统肿瘤分类》继续扩大分子特征在肿瘤诊断中的作用，定义神经胶质瘤包括一系列分子生物标志物改变：异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）突变、1号染色体短臂和19号染色体长臂（chromosome 1 short arm and chromosome 19 long arm, 1p/19q）共缺失、O⁶-甲基鸟嘌呤-DNA甲基转移酶（O⁶-methylguanine-DNA methyltransferase, MGMT）启动子甲基化、端粒酶逆转录酶（telomerase reverse transcriptase, TERT）启动子突变、表皮生长因子受体（epidermal growth factor receptor, EGFR）扩增、7号染色体扩增和10号染色体缺失（chromosome 7 gain and chromosome 10 loss, 7+/10-）、细胞周期蛋白依赖性激酶抑制剂2A/B基因（cyclin-dependent kinase inhibitor 2A/B, CDKN2A/B）纯合性缺失、α-地中海贫血/智力低下综合征X连锁（Alpha-thalassemia/mental retardation syndrome, X-linked, ATRX）突变、肿瘤蛋白p53基因（tumor protein 53, TP53）突变、组蛋白H3（histone H3, H3）基因改变、原癌基因B-Raf（B-Raf Proto-Oncogene, Serine/Threonine Kinase, BRAF）变异等^[3]。更新后的世界卫生组织分类方案对精准诊断疾病、管理患者、促进疾病治疗研究的发展、合理应用分子靶向治疗的研究以及在不久的将来使用免疫学和分子联合方法的治疗具有深远的影响^[4]。

       虽然诊断脑胶质瘤可以通过手术或活检方式来检测，但它存在一些缺陷，例如为侵入性手术、有取样错误、肿瘤异质性和手术并发症的风险，或一些情况下患者无法进行活检或拒绝活检，因此找到一种非侵入性诊断技术至关重要。而MRI通过无创、快速和广泛的检测能力以及出色的软组织分辨率，被认为是支持临床实践决策有效的选择^[5]。

       其中多模态MRI不仅包含了可以反映组织形态信息的常规MRI，还包括了扩散加权成像（diffusion weighted imaging, DWI）、扩散张量成像（diffusion tensor imaging, DTI）、动态磁敏感对比增强（dynamic susceptibility contrast-enhanced perfusion-weighted imaging, DSC-PWI）、磁共振波谱（magnetic resonance spectroscopy, MRS）等成像技术，通过获取组织功能、代谢等多维度信息，来提高模型的预测精度与鲁棒性去更全面地揭示肿瘤的异质性。

       影像组学通过非侵入性方式深度挖掘医学图像中大量人类肉眼不能检测到的高通量影像学特征进行分析，从而帮助临床决策^[6]。目前，基于MRI影像组学预测脑胶质瘤分子分型的研究已日益深入，虽然已有多篇综述对此进行了总结^{[7, 8, 9]}，但其所涵盖的分子标志物多限于2021年版《WHO中枢神经系统肿瘤分类》中的部分类型，全面性不足，此外也尚未系统探讨不同分子标志物预测性能存在差异的深层原因。为弥补上述不足，本文旨在对近年来多模态MRI影像组学在预测脑胶质瘤更全面的分子分型中的研究进展进行综述，并分析影响不同分子标志物预测性能差异的重要因素，以期为脑胶质瘤患者术前精准诊断与个体化治疗方案的制订提供理论依据。

1 影像组学的概念和流程

       影像组学的概念最早是由荷兰研究者LAMBIN等^[10]于2012年提出的。影像组学是将患者影像（CT、MRI、PET等）转化为可挖掘的高维定量数据，通过提取形状、一阶、二阶及高阶影像特征，并结合临床、基因组等数据，借助机器学习（machine learning, ML）、统计分析等工具构建模型，以提升癌症等疾病的诊断、预后及治疗预测准确性的技术^[11]。

       影像组学的流程涉及以下几个基本步骤^[12]。（1）图像采集：首先获取CT、MRI、PET等医学影像，再通过标准化预处理获取的图像，来减少设备参数、成像协议差异等带来的数据偏差；（2）图像感兴趣区（region of interest, ROI）分割：可以通过放射科医生手动分割勾勒有较高精度的肿瘤边界，以及半自动分割方式来平衡分割效率与准确性，或者自动分割方式；（3）图像特征提取：一般从分割ROI中提取两类特征，一类是涵盖形状、一阶、二阶、语义等影像特征，另一类是借助卷积神经网络（convolutional neural network, CNN）等深度学习（deep learning, DL）模型自动学习患者影像的高阶抽象特征；（4）图像特征筛选：通过保留对研究目标有显著影响的关键影像特征，来降低影像数据维度，并减少模型过拟合风险；（5）模型构建和分析：模型构建可根据疾病分类、患者预后等研究目标选择合适的算法，结合曲线下面积（area under the curve, AUC）、敏感度等指标评估模型可靠性，最终形成能有效辅助临床决策的影像组学模型，为临床精准诊疗疾病提供数据支持。

2 胶质瘤分子分型

2.1 MRI影像组学在IDH突变的应用

       IDH在人体内柠檬酸循环里可把异柠檬酸转变为α-酮戊二酸（α-ketoglutaric acid, α-KG），但随着IDH突变会代谢成一种致癌性物质2-羟基戊二酸（2-hydroxyglutarate, 2-HG），2-HG可对α-KG依赖性双加氧酶和细胞分化进行阻碍，促进肿瘤的发生^[13]。并且IDH突变型（IDH mutation, IDH-mut）胶质瘤的预后明显优于IDH野生型（IDH wild type, IDH-wt）胶质瘤^[14]。因此，无创性检查对IDH突变状态进行精准分类和治疗方案的确定具有重要意义。

       LIANG等^[15]回顾性分析309例接受对比增强T1加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI）、DWI、动态对比增强磁共振成像（dynamic contrast enhanced MRI, DCE-MRI）与酰胺质子转移加权成像（amide proton transfer-weight imaging, APTw）检查的胶质瘤患者，从表观扩散系数（apparent diffusion coefficient, ADC）、容积转运常数（volume transfer constant, K^trans）、血管外细胞外间隙容积分数（extravascular extracellula volume, Ve）和APTw图像提取特征，基于径向基函数支持向量机（radial basis function support vector machine, RBF-SVM）建立组合模型预测IDH1突变状态，发现联合模型的诊断性能优于单序列模型，其AUC在训练集中为0.997，在验证集中为0.967。ZHU等^[16]从常规MRI、ADC和磁敏感加权成像（susceptibility-weighted imaging, SWI）图像中肿瘤核心和整个肿瘤区里提取影像组学特征，并采用随机森林（random forest, RF）构建模型预测IDH突变状态，其发现添加SWI和ADC特征不能为结构MRI在预测IDH突变方面提供额外信息。YE等^[17]通过改进3D CNN的VB-Net来全自动分割提取DCE定量参数图像、ADC、CE-T1WI和T2WI图像中肿瘤核心内的影像组学特征，结合逻辑回归（logistic regression, LR）构建临床模型，结果发现结合年龄因素可以得到更好的IDH1突变预测结果。YUAN等^[18]回顾性研究分析了206个CNS WHO 2–4级未治疗的神经胶质瘤患者的DTI图像以及结构MRI图像，通过基于CNN提取DL特征和支持向量机（support vector machines, SVM）分类的方法预测IDH状态，结果AUC为0.846，其应用的CNN-SVM网络显示出预测IDH突变状态的潜力。以上研究表明使用多模态MRI并加入临床因素可提高预测IDH基因型的效能，而SWI和ADC影像特征可能帮助有限。不同IDH突变状态的影像表现会存在重叠，并且IDH也常伴有其他基因型的突变，这种肿瘤异质性增加了单一预测模型的复杂度，未来可以结合体素级别的生境分析等方式进行研究。

2.2 MRI影像组学在1p/19q共缺失的应用

       1p/19q共缺失是指人体内1号染色体中短臂（1p）和19号染色体中长臂（19q）一起缺少脱氧核糖核酸片段。在低级别神经胶质瘤患者中，具有IDH的突变且无1p/19q共缺失的患者的总生存期比患有具有IDH的突变且伴有1p/19q共缺失的患者的总生存期更短^[19]。因此，确定1p/19q是否有共缺失对于患者的生存预后非常重要。

       LI等^[20]回顾性研究分析了212名神经胶质瘤患者，从T1WI、造影后T1加权（gadolinium-enhanced T1-weighted imaging, T1Gd）、T2WI和液体衰减反转恢复（fluid attenuated inversion recovery, FLAIR）序列图像的肿瘤坏死区、肿瘤核心区和整个肿瘤区中获取106个影像组学特征，通过LR分类器构建模型，在测试集中预测1p/19q共缺失状态，AUC结果为0.8196，该研究基于常规MRI的机器学习模型也取得有效预测。VAN DER VOORT等^[21]将1508名患者的完整3D图像预处理后输入到多任务CNN进行端到端训练，利用DL多任务协同优势进行肿瘤ROI分割与1p/19q共缺失状态预测，最终在独立测试集中实现了AUC为0.85，其利用多任务深度学习以及提高样本量提高了预测效能。LI等^[22]提出了一种集成卷积神经网络（ensemble convolutional neural network, ECNN）方法（变分自动编码器、信息增益和CNN组成），并与四种ML算法预测1p/19q状态的效能进行比较，研究结果表明，ECNN模型在验证数据集上表现出优异的预测效能，其AUC为0.994，超过了其他四种传统机器学习算法（AUC：0.523~0.702），因此在深度学习框架中整合数据增强和特征选择技术，可提高模型的预测效能。在预测1p/19q状态中，因1p/19q共缺失是常发生在IDH突变中而增加了预测难度，并且1p/19q共缺失患者占比较低容易导致预测为1p/19q未缺失，因而应用多任务学习模型、加大样本量以及整合数据增强和特征选择技术有利于预测的准确性。

2.3 MRI影像组学在MGMT启动子甲基化的应用

       当MGMT启动子甲基化时会发生DNA的错配、DNA双链的断裂和细胞凋亡的激活，而MGMT启动子未甲基化，其DNA修复酶减少了烷化剂诱导DNA损伤的细胞毒性作用，导致替莫唑胺（temozolomide, TMZ）等烷化剂化疗药对癌细胞疗效减弱^[23]。所以，准确评估MGMT是否具有甲基化对影响患者治疗结果和预后情况有重要意义。

       LIU等^[24]回顾性纳入了110名患者，从结构MRI、DCE和DTI图像内的肿瘤核心和增强肿瘤组织和邻近的水肿区域、非增强肿瘤组织和坏死区中提取2782个放射组学特征，利用SVM分类器构建模型，在测试数据集上，结构MRI+DCE+DTI组合模型预测效能最高，AUC为0.868，成功揭示了多模态MRI在预测MGMT启动子甲基化状态方面的优势。深度学习的应用在预测MGMT启动子甲基化也取得良好效能，CHEN等^[25]使用深度为18层的残差网络（residual network-18, ResNet-18）在验证集中基于肿瘤核心的T1CE结合ADC图像模型预测取得了AUC等于0.90的结果。MGMT启动子甲基化是表观遗传学事件，对于肿瘤形态和结构表型关联性低而影像特征复杂，在评估MGMT启动子是否有甲基化中应用多模态MRI数据和DL有利于模型效能的提升。

2.4 MRI影像组学在TERT启动子突变的应用

       在2021年WHO神经胶质瘤分类引入最新的疾病诊断标准，在低级别的IDH-wt星形细胞瘤患者有TERT启动子突变、EGFR扩增、7+/10-应诊断升级为胶质母细胞瘤（glioblastoma, GBM）^[26]。

       TERT启动子突变与端粒的伸长和稳定、癌细胞中复制和增殖相关联，并且IDH突变伴发TERT突变的脑胶质瘤患者预后更好，而IDH-wt伴发TERT突变的脑胶质瘤患者预后不良^[27]。

       常规MRI在预测TERT启动子突变状态里也可有效预测，LI等^[28]基于常规MRI图像和临床特征（性别和卡氏功能状态评分）构建影像组学列线图，在训练、验证组内的AUC结果各等于0.906和0.899。ZHANG等^[29]使用四个二维CNN提取常规MRI图像特征，其利用深度学习影像组学（deep learning radiomics, DLR）特征、堆叠融合策略的影像组学模型在预测TERT启动子突变状态中结果表现良好，在训练组预测结果其AUC值为0.948，测试组中AUC结果等于0.902。多模态数据的加入可提高预测效能，WANG等^[30]在140例神经胶质瘤患者的T1WI、T1CE、FLAIR和ADC中获得了3654个影像组学特征，使用名为基于树的管道优化工具（tree-based pipeline optimization tool, TPOT）的自动机器学习算法训练多层感知器（multilayer perceptron, MLP）分类器预测IDH-mut伴TERT启动子突变状态，在测试集中AUC结果是0.971。TERT启动子突变同样常伴有其他恶性程度不等的基因型突变并且缺乏特异的影像表型而预测复杂，应用常规MRI、临床特征及DL在治疗前无创的评估TERT的启动子是否有突变展现出潜力。

2.5 MRI影像组学在EGFR扩增的应用

       EGFR基因位于7号染色体的短臂上，EGFR基因扩增会导致EGFR蛋白在神经胶质瘤细胞中过表达，经过RAS与PI3K/AKT信号通路来促进肿瘤的增殖、侵袭和血管生成进而影响患者的总生存期^[31]。因此，术前通过影像学检查确定EGFR状态有益于了解患者的预后、确保疾病诊断的准确、治疗计划的制订。

       WANG等^[32]回顾性收集单个中心124例GBM患者数据，发现基于 DTI 的放射组学模型在预测胶质母细胞瘤EGFR扩增状态方面优于常规MRI特征，其AUC在训练集、测试集里等于0.86、0.82，而肿瘤“定位”特征的加入并未提高预测效能。在常规MRI多中心数据集中也获得相似结果，PEASE等^[33]基于CE-T1WI、FLAIR图像、最小绝对收缩和选择算子（least absolute shrinkage and selection operator regression, LASSO）和SVM分类器构建了影像组学模型，在外部验证集中AUC结果等于0.83。EGFR扩增影响着部分肿瘤细胞如血管的生成，特征获取受空间异质性影响而预测效能较低，在预测EGFR扩增状态的研究中多模态MRI常被应用，其在为患者精准诊断EGFR扩增状态中展现出前景。

2.6 MRI影像组学在7+/10-的应用

       7+/10-是人类肿瘤中常见的染色体异常，与肿瘤的发生、发展及恶性程度相关，当其在低级别的IDH-wt星形细胞瘤出现时应该诊断升级为GBM^[23]。7号染色体的扩增可能导致EGFR扩增，并且10号染色体缺失在胶质瘤中，常导致抑癌基因PTEN功能丧失促进肿瘤进展^[34]。因此对7+/10-的影像学研究有利于患者疾病准确诊断以及治疗计划和预后情况。

       KONG等^[35]回顾性纳入了122名IDH-wt 较低级别脑胶质瘤的患者，发现基于常规MRI图像影像组学特征与以临床语义特征相结合开发的列线图可以无创预测7+/10-状态，训练组和测试组中AUC分别为0.838和0.854。基于多模态MRI，CALABRESE等^[36]回顾性纳入接受T2WI、FLAIR、SWI、T1WI、CE-T1WI、动脉自旋标记序列（arterial spin labeling, ASL）、DWI和高角分辨率扩散成像（high angular resolution diffusion imaging, HARDI）检查的400名GBM患者，发现包括周围水肿区的影像组学特征与CNN特征联合模型显示了更好的AUC（0.86）。7+/10-与宏观表型是弱关联性难与恶性表型突变相鉴别，应用多模态MRI特征融合以及结合临床危险因素可以更好地提升模型的效能。

2.7 MRI影像组学在CDKN2A/B纯合缺失的应用

       CDKN2A/B可以阻碍恶性肿瘤细胞的生长，当CDKN2A/B纯合性缺失在IDH-mut星形细胞瘤中出现时其应分级成CNS WHO 4级，另外CDKN2A/B纯合性缺失是独立评估预后不良和生存期短的重要预测因子^[37]。

       YANG等^[38]回顾性纳入292名患者，使用Gd-T1W和FLAIR图像和3个临床危险因素（年龄、组织学分类和WHO分级）构建模型预测神经胶质瘤CDKN2A/B纯合性缺失，发现结合临床危险因素并不能显著提高模型的性能。ZHANG等^[39]基于残差融合注意力网络（residual fusion network, ResFN-Net）、融合注意力网络（fusion network, FN-Net）、常规MRI去预测CDKN2A/B纯合性缺失状态，发现FN-Net效能优于ResNet网络，FN-Net与T2WI和CE-T1WI序列组合有最佳的预测效能，平均交叉验证准确度ACC为0.8971、AUC为0.9574。常规MRI中影像特征的融合也可取得良好的预测结果，GAO等^[40]从T2-FLAIR、CE-T1WI图像中提取了1106个影像组学特征，并利用ResNet-50提取了1000个DL特征，结果影像组学和DLR特征的融合模型取得最佳效能（其在训练集AUC=0.966；验证集AUC=0.935；测试集AUC=0.943）。另有研究者指出在进行预测CDKN2A/B纯合性缺失状态时，脑胶质瘤患者中CDKN2A/B纯合性缺失的数据不平衡需要重视，这影响了结果的可靠性^[41]。综上所述，研究中应确保样本具有代表性、足够数量，且常规MRI和影像特征融合方式可有效预测CDKN2A/B纯合缺失状态，而结合临床危险因素可能并不能显著提高模型性能，未来还可加入多模态MRI综合影像数据。

2.8 MRI影像组学在ATRX突变的应用

       ATRX突变与1p/19q共缺失几乎不会同时出现，ATRX常于IDH突变星形细胞瘤患者中发生突变，与生存期延长相关^[42]。并且有研究发现血小板衍生生长因子受体抑制剂（platelet-derived growth factor receptor inhibitor, PDGFRi）或多靶点受体酪氨酸激酶抑制剂（multi-targeted receptor tyrosine kinase inhibitor, RTKi）与TMZ的联合治疗会对ATRX突变的高级别神经胶质瘤细胞产生明显的毒性^[43]。

       NACUL等^[44]发现，基于LASSO回归开发的影像组学模型预测ATRX突变状态，T2WI是常规MRI中最合适的序列，AUC为0.831，准确率为74.6%。LIN等^[45]回顾性分析了85例IDH突变型低级别神经胶质瘤患者的常规MRI和体素内不相干运动扩散加权成像（intravoxel incoherent motion diffusion-weighted imaging, IVIM-DWI）数据，从肿瘤实体、坏死和水肿区域中提取了3111个影像组学特征，采用LASSO和LR进行特征筛选和模型构建，结果发现，基于D参数（扩散系数）构建模型预测效能最高，在训练集内AUC结果等于0.97，验证集内AUC结果等于0.91。在其他多模态MRI数据里，CALABRESE等^[46]回顾性纳入接受常规MRI、SWI、DWI、ASL、HARDI检查的199名GBM患者，使用深度卷积神经网络（deep convolutional neural networks, dCNN）全自动肿瘤分割获取影像组学特征，通过RF回归构建模型，在测试集中预测ATRX突变状态AUC为0.97。常规MRI融合影像组学、深度学习、临床特征也可取得相似效能，LIU等^[47]回顾分析收集了234例IDH突变高级别星形细胞瘤患者，提取了CE-T1WI、T2-FLAIR图像中3个区域（水肿、增强肿瘤和整体病灶）的影像组学特征，并使用ResNet34提取DL特征，发现基于整个病灶的影像组学+DL特征模型（训练、验证、测试集AUC分别为0.966、0.916和0.936）为最优成像模型，再与临床变量模型相结合的融合模型（AUC分别为0.969、0.956、0.949）效能更好。ATRX突变型与ATRX野生型两者缺乏相对特异的征象会影响鉴别，在预测患者ATRX突变状态时，融合影像组学、深度学习、临床特征的多模态MRI技术能获得良好预测效能。

2.9 MRI影像组学在TP53突变的应用

       TP53基因是抑癌基因，具有TP53-wt和TP53-mt两种常见的类型。TP53的突变会导致细胞死亡、细胞衰老和肿瘤增殖、迁移与侵袭性的增加，是星形细胞瘤中常见的突变基因，与进展为高级别星形细胞瘤有关^[48]。

       LI等^[49]从78名经病理证实的IDH-mt神经胶质瘤患者CE-T1WI图像中整个肿瘤、肿瘤周围水肿、整个肿瘤和瘤周水肿3个区域各提取了962个放射组学特征，使用LR与肿瘤周围水肿8个关键特征构建的模型可以预测TP53突变状态，训练组和验证组AUC分别为0.811、0.810，另外还发现基于临床因素年龄、3个区域影像组学特征的放射分数联合构建的临床影像组学列线图具有更好的预测TP53突变的效能，AUC分别为0.969和0.929。预测TP53突变状态受到肿瘤异质性与样本量的挑战，而临床因素与常规MRI结合去预测神经胶质瘤患者的TP53突变状态有着可观的效能，但该研究样本量与MRI序列尚少还需继续研究。

2.10 MRI影像组学在H3基因改变的应用

       在小儿高级别神经胶质瘤（pediatric high-grade glioma, pHGG）中，H3基因改变以H3 K27和H3 G34为主，是临床肿瘤分型、预后情况判断以及靶向治疗研究中的关键靶点。H3 G34突变已被定义为弥漫性大脑半球神经胶质瘤（WHO 4级）的核心分子特征，常对治疗表现出不良反应和不良预后，目前研究基于多模态影像组学预测H3 G34突变状态尚缺乏^[50]。最近有研究基于传统MR图像的影像组学特征可以区分H3 G34突变型和IDH-wt的神经胶质瘤^[51]。小儿弥漫性中线神经胶质瘤（diffuse midline glioma, DMG）可分为两种分子亚型：H3 K27变异型（DMG aberrance, DMG-A）和野生型（DMG wild, DMG-W）。与野生型的DMG相比，H3 K27变异型患者表现出更差的预后，3年总生存率仅5%，2年总生存率不足10%^[52]。因此识别H3 K27变异状态在肿瘤诊断、生存预测与治疗决策中起着至关重要的作用。

       LV等^[53]回顾性纳入多中心的135位患者数据，基于CE-T1WI图像、7种机器学习算法和6个临床特征（囊性形成/坏死、瘤周水肿、年龄和肿瘤边缘最重要）构建模型预测H3 K27M改变状态，结果发现，使用SVM联合临床和影像组学特征的模型在训练、测试和验证集内获得了最优效能，准确率各为99.1%、90.3%和81.3%。除了应用单一MRI序列图像，GUO等^[54]分析纳入102例经病理证实为DMG的患者，从常规MRI、ADC、SWI、脑血容量（cerebral blood volume, CBV）和脑血流量（cerebral blood flow, CBF）图像中提取特征，发现基于所有序列和RF机器学习技术构建的模型测试集中取得最佳的AUC（0.969）。H3 K27M突变的预测面临样本量稀缺而模型易过拟合的困难，而多模态MRI影像组学模型的应用以及联合临床特征的方式有良好效能去预测DMG患者中H3 K27M改变状态。

2.11 MRI影像组学在BRAF变异的应用

       在小儿低级别神经胶质瘤（pediatric low-grade glioma, pLGG）中BRAF基因改变主要是BRAF融合和BRAF V600E点突变，使得MAPK通路持续激活促进细胞不正常增殖。BRAF V600E点突变与BRAF融合相比预后差、进展和转化的风险高，而BRAF/MEK抑制剂与免疫检查点抑制剂联合应用，有望显著提高患者生存率^[55]。因此预测BRAF改变状态对患者治疗和预后变得非常重要。

       KUDUS等^[56]回顾性纳入253名pLGG患者，从每个患者的FLAIR图像中提取851个影像组学特征，在测试集中，使用RF并联合临床特征（小脑、颞叶）和影像组学特征（扁平度、表面积与体积比、归一化的依赖非均匀性）的融合模型（其AUC等于0.925）优于单独使用影像组学特征（AUC为0.863）或临床特征（AUC为0.889）模型，而线性模型（AUC为0.916）与RF模型效能相似。KUDUS等^[57]还回顾性纳入336名pLGG患者，基于常规MRI和RF、3D ResNet、浅层3D CNN构建模型预测BRAF状态，发现在测试集中基于FLAIR序列，结合浅层CNN和影像组学特征的组合模型取得最佳预测效能（AUC=0.824），高于影像组学及CNN特征模型，两者AUC结果各等于0.802、0.764，其CNN可能因不擅长学习形状和一些pLGG的纹理特征而预测性能比影像组学模型差。影像组学特征结合患者肿瘤部位等临床特征有利于BRAF突变和融合的预测，但同样受到其肿瘤异质性的影响而增大预测的难度。

3 小结与展望

       多模态MRI影像组学在预测脑胶质瘤分子分型中展现出广阔前景，然而其预测性能在不同标志物间存在差异，这种差异在于各类标志物与肿瘤宏观影像表型之间关联强度的本质区别。首先，以IDH、1p/19q、H3 K27M和BRAF为例的高预测性能标志物会决定肿瘤的整体的生长特征、组织形态和代谢状态，具有特异且稳定的宏观影像表型，所以相对容易预测。其次，以MGMT、CDKN2A/B为例的中等预测性能标志物，它们只是在原肿瘤基础上调控其恶性生物学行为，其影像表型虽不具特异性，但它高级别特征量化增强信号能被部分捕捉，因而表现出具有一定临床提示意义但尚不稳定的预测能力。最后，包括TERT、EGFR、7+/10-、ATRX及TP53在内的较低预测性能标志物，其作用机制多为分子层面，而引发的宏观影像改变极为微弱或高度间接，其信号往往被IDH野生型GBM等背景下的强烈恶性表型所淹没，且受普遍存在的瘤内异质性及研究样本量限制，从而共同导致影像组学模型难以从中提取稳健特征。

       未来研究应着力于开发能敏感捕捉治疗相关微环境变化的新影像生物标志物，通过利用精细化亚组分析（如在IDH野生型GBM中预测MGMT）和多任务联合学习，以及使用深度学习、生境分析和病理组学等来提升预测性能。或者直接构建基于影像特征的、不依赖于特定基因的患者生存预后预测模型可能更具临床效用。对于有预测高性能的标志物可推进临床转化和应用，基于医院多模态MRI成像设备及患者进行基因测序检查的情况，进行前瞻性及多中心和大样本量的多模态影像组学研究，在现实临床环境中验证模型准确性、可靠性与实用性，加速影像组学模型应用于临床疾病诊断中。